人工智能作为计算机科学界的顶尖技术之一，自1956年在达特茅斯会议上被正式提出以来，就受到了各行各业的关注。在图灵测试中，人工智能的识别和判断是以人为唯一参照物，思维的基本出发点仍然是仿生学。这里有一个隐含的推论，那就是人类无限接近AI但永远达不到天花板。但实际上，在人工智能出现后的几十年里，它似乎并没有沿着这条路进化。今天我们已经可以看到，人工智能在某些细分领域的能力已经完全超过了人类的相应水平。1、探索艰难：功能简单，经验宝贵事实上，在2016年初甚至更早的时候，在大量行业潜在需求和巨大空白市场的情况下，智能化作为一个前沿命题已经出现在很多大大小小的安全公司的ppt甚至。在特定产品上。但受限于显示芯片的计算能力、采集终端技术、后端算法技术以及当时整体解决方案的成熟度，这一时期推广的算法大多是为了早期的开荒目的，而大部分的算法在实际部署时并不令人满意。这一时期的大部分算法都是基于物体/人体模型检测。基本功能是周界入侵、混线报警、逆行检测等最简单的事件检测。业务功能和实现机制都比较简单。现在看来，那个时期的大部分算法、业务功能、配套方案都不好用，甚至比较落后。但那段时期对智能算法落地的探索为深度学习算法在安防行业的蓬勃发展提供了大量的工程经验，无论是各种算法分析严格的场景限制，现场勘察的多样化技巧在算法部署过程中，注意事项是早期算法探索者留下的宝贵经验。2、时代浪潮：安全是AI最好的培育土壤。2016年注定是人工智能行业不平凡的一年。今年，作为GPU行业的绝对领导者，英伟达发布了基于人工智能深度优化的全新Pascal架构，并在GTC2016上正式发布了基于完整P100大核、TeslaP40和TeslaP4的Tesla系列显卡，并发布同年专为深度学习神经网络设计的嵌入式芯片NVIDIAJetsonTX1。无论是作为服务器级GPU卡的P4/P40，还是作为老牌嵌入式芯片的TX1，这两类GPU推出后，在高速发展的岁月里，长期提供了海量的算力支持人工智能，即使是今年。在很多项目中都可以看到。2016年初，谷歌开源了TensorFlow的源代码，使得深度学习的训练系统首次曝光，随后引爆了整个人工智能算法行业。在发布的第一年，TensorFlow已经帮助超过一百万的研究人员、工程师、艺术家、学生和其他人取得了巨大的研究进展。基于TensorFlow和包括加州大学伯克利分校的caffe、微软的CNTK网络在内的框架，一大批人工智能算法如雨后春笋般涌现，掀起了新一轮的人工智能探索高潮。人脸识别、行为分析、图像结构分析、OCR识别等复杂的图像信息处理和提取技术和算法得到了质的提升，并从最初的探索逐步演化为成熟可靠的解决方案，并通过大量的实用化。应用部署获取大量样本进行训练，进而为算法本身的演化提供海量数据支持。人工智能的任何一种算法要想成为成熟的解决方案并能够得到广泛推广，都离不开海量数据的训练和实战中的经验积累。当其他行业苦于资源不足难以进一步提升时，也是在2016年，国家正式发布“十三五”建设规划，要求基本完成视频图像基础设施和应用系统建设，全面打造视频图像资源综合应用系统，整合各类视频图像资源并进行智能分析处理，安全有效地利用社会视频资源，实现视频图像聚合、共享、分析和应用，安全保障和运维能力显着提高，为公安机关各部门、警种、其他政府部门和社会提供全方位的视频图像信息服务。同时，在视频图像信息分析系统中，明确提出了大量的分析需求，包括对视频内容（实时流+视频流）的结构分析，信息提取，以及比较、碰撞、分析等。-根据预定策略对视频图像信息进行深度分析。层次化、大面积、多维度的数据挖掘与判断。由于“十三五”规划对视频图像分析算法有明确要求，“十三五”期间算法建设需求众多。根据各级用户需求，包括基于人工智能的人脸识别、视频结构化、ReID等深度学习算法及相关应用，在“试验田”进行部署和实践，通过一大批合作联合实战实验室。资源支持。随着“十三五”建设的深入，除了传统安防企业，越来越多的互联网企业也加入了人工智能的浪潮，人工智能也实现了爆发式增长。得益于海量算力带来的底层坚实支撑，探索者提供的各种开源架构和技术基础，以及国家“十三五”的利好政策，在当今时代，安防行业无疑是“最好的”人工智能的“培育土壤”。这一时期孕育出无数算法公司，只要你能想到，任何智能分析需求都会有人响应。同样在算法的应用上，一系列的“刷脸”登录、“刷脸”开门，甚至依赖人脸识别算法的情绪识别、疲劳识别等应用在整个安防行业不断衍生，用户愿意花钱，厂商也愿意投入研究，这是人工智能最好的时代。3.困境：人工智能重新定义安全。好的AI=算力+算法/样本。这是大家对人工智能的传统认知。对于AI本身来说，海量的算力加上充足的正负样本，再加上大量经过训练和调优的算法，基本上可以给出一个满意的答案。在人工智能建设的第一波浪潮中，大家都在追求更高的指标、更多的标签、更高的性能，为最终的指标投入大量的人力物力。而随着项目逐渐开始落地，当算法投入实战，当整个安防行业正式向前推进时，人们逐渐发现了一个无法回避的问题：人工智能是纯组件产品还是系统解决方案？在回答这个问题之前，我们先回顾一下深度学习算法本身。从“智能”的角度，人工智能可以简单分为弱人工智能、强人工智能和超人工智能。弱人工智能是指以智能的方式高效完成特定领域工作的能力，无需真正的思维能力，如人脸识别、AlphaGo等。当人工智能在业界的热度逐渐降温的时候，大家也意识到，现在的人工智能其实还停留在弱人工智能的层面。人工智能算法可以在满足要求的图像上达到非常高的精度，但一旦图像质量达不到要求，指标就会急剧下降。安防行业的图像数据，无论是图片还是视频流，基本上都是由前端摄像头提供的，因此人脸识别对整个传统前端系统提出了挑战。然而，人脸识别要想顺利落地，为用户提供最佳解决方案，其面临的挑战不仅限于这些。人工智能的实现需要对端到端系统中的每一类组件进行重新适配。人工智能重新定义了安全，对每个节点上的设备提出了新的挑战。回到上一个问题，人工智能应该是一个简单的组件产品，还是一个系统的解决方案？答案很明显。在安防行业，无论产品如何落地，都是空中楼阁。人工智能算法是一种系统解决方案，对前端、存储、大数据、算法算力调度、甚至协议标准都有严格的支撑要求。但安防行业配套需求的落地，如机房、电费、人工等产品成本之外，无疑也对整套人工智能解决方案的TCO提出了更高的要求。4、卷土重来：聚焦落地与应用如今，人工智能依然是业界最热门的话题。不过，用户对算法的迷信程度，已经不像刚接触人工智能时那么迷信了。很多时候，用户更愿意让算法验证可行性，或者干脆与算法厂商合作，以合作实验的形式来判断算法是否可用。而各个厂商和算法公司也发现，在项目实践中仅仅依靠人工智能、深度学习、大数据是远远不够的。应用的想法。同时，通过新一轮持续的算法PK和“十三五”建设格局的重新洗牌，有实力、有经验的厂商逐渐转变探索方向，持续投入算法落地和智能分析整体方案的拉通，用户应用的完整闭环和流程的简化在进行中。人工智能算法作为核心技术，还需要不断的投入和探索。这是一个永恒的真理。另一方面，各家算法厂商不再将算法指标作为最重要的竞争力，而是将多算法解决方案和应用生态支持作为最关键的亮点。以前单一算法无法实现的业务，现在可以通过不同算法的协同检索和比较轻松实现。这种组合应用的整体解决方案已成为建筑领域的新热点。5.未来：探索无尽的未来。一方面，随着算法与服务的高度融合，势必在各行业形成具有突出行业属性的专属服务和解决方案。人脸识别的建设和发展将逐渐有针对性另一方面，随着算法的不断创新和同质化，以及GA/T1400标准（中华人民共和国公安行业标准）的不断优化，算法正在向标准化组件发展。正如IPCamera当年所经历的那样，包括人脸识别在内的各种深度学习算法终将成为标准交付物，管理算法的多算法服务框架平台势必成为下一波平台建设的新高潮。
